CN115761584A - 一种地下排水管道缺陷识别管理方法和装置 - Google Patents
一种地下排水管道缺陷识别管理方法和装置 Download PDFInfo
- Publication number
- CN115761584A CN115761584A CN202211449011.9A CN202211449011A CN115761584A CN 115761584 A CN115761584 A CN 115761584A CN 202211449011 A CN202211449011 A CN 202211449011A CN 115761584 A CN115761584 A CN 115761584A
- Authority
- CN
- China
- Prior art keywords
- pipeline
- defect
- underground drainage
- information
- detected
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 359
- 238000007726 management method Methods 0.000 title claims description 39
- 230000036541 health Effects 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims description 53
- 238000013136 deep learning model Methods 0.000 claims description 40
- 238000012360 testing method Methods 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000009432 framing Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 2
- 238000003860 storage Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 15
- 230000008439 repair process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000007849 functional defect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007847 structural defect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种地下排水管道缺陷识别管理方法和装置，包括：将多张管道图像输入至缺陷识别模型，以获得各待测地下排水管道对应的管道缺陷信息；其中，管道缺陷信息包括缺陷类型、缺陷级别和缺陷坐标信息；根据管道缺陷信息和管道图像，生成对应的管道缺陷报告，并根据管道缺陷报告，在预设的管道健康档案数据库中建立或更新各待测地下排水管道的数字档案；通过管道健康档案数据库，实时查询并显示待查询地下排水管道对应的数字档案，以作为待查询地下排水管道的管理依据。本发明根据模型识别得到的管道缺陷信息所对应的管道缺陷报告，建立或更新各管道对应的数字档案，实现管道信息的存储与管理，并提升管理者实时查询管道信息的效率。
Description
技术领域
本发明涉及地下排水管道管理领域，尤其涉及一种地下排水管道缺陷识别管理方法和装置。
背景技术
随着城市化的快速发展，城市排水管网系统越来越复杂、越来越庞大，对排水管网的设施管理、养护管理、运行监测、应急防汛和科学决策等提出了越来越高的要求。但由于经费投入不足，维护管理力度不够，排水管道服役时间增长，导致排水管道老化、淤积、堵塞、城市内涝、黑臭水体、污水外溢、路面坍塌等问题十分严重，由强降雨引起的城市下穿隧道、立交桥以及道路低洼地带存在大量积水的“城市观海”现象时有发生，对城市居民生活和工作产生重大影响。因此，对地下排水管网及设施的缺陷识别及管理尤为重要。
目前，对于地下排水管道的缺陷识别主要是通过摄像头实时获取管道内部的检测视频，并基于大量人工交互工作，包括导入视频数据，视频播放预览，添加检测信息，截取管道缺陷图像，添加管道缺陷判读描述等操作，生成对应的管道检测报告，这种方式存在识别效率低下等问题。当出现大量待处理的管道视频时，需要耗费大量的人力和时间，不仅影响报告的快速生成，还存在因经验不足造成部分管道缺陷误判的可能。此外，在对地下排水管网及设施进行管理的过程中，仅能通过逐份查询检测报告，获取待查询管道的管道缺陷信息，而无法根据管道的相关关键词直接快速地查询到待查询管道的管道缺陷信息，并且缺陷的位置信息只是体现在文字报告上，并没有对其空间化，无法直观地查看各地下排水管道的缺陷位置和整体的地下排水管道网的缺陷分布情况。
发明内容
本发明提供了一种地下排水管道缺陷识别管理方法和装置，在获取大量待测地下排水管道的管道信息之后，实现对所有待测地下排水管道的管道信息的存储与管理，并提升对管道信息的查询效率。
为了解决上述技术问题，本发明实施例提供了一种地下排水管道缺陷识别管理方法，包括：
将各待测地下排水管道对应的多张管道图像输入至缺陷识别模型，以获得各所述待测地下排水管道对应的管道缺陷信息；
根据所述管道缺陷信息和所述管道图像，生成所述待测地下排水管道对应的管道缺陷报告，并根据所述管道缺陷报告，在预设的管道健康档案数据库中建立或更新各所述待测地下排水管道对应的数字档案；
通过所述管道健康档案数据库，实时查询并显示待查询地下排水管道对应的所述数字档案，以作为所述待查询地下排水管道的管理依据；
其中，所述管道缺陷信息包括缺陷类型、缺陷级别和缺陷坐标信息，所述数字档案包含所述管道图像和所述管道缺陷信息。
实施本发明实施例，通过缺陷识别模型，识别各个待测地下排水管道是否存在缺陷，并根据识别得到的管道缺陷信息所对应的管道缺陷报告，在预设的管道健康档案数据库中建立或更新各个待测地下排水管道对应的数字档案，实现各待测地下排水管道的健康信息的数字化及存档管理，为管理者提供准确且实时的缺陷类型、缺陷级别、缺陷坐标信息和管道图像等管道信息，以便管理者快速查询管道信息，并作出相应的管理决策。
作为优选方案，所述缺陷识别模型的获取，具体为：
获取管道缺陷样本数据集，并将所述管道缺陷样本数据集分为训练数据集和测试数据集；
基于ResNet-50卷积神经网络，构建深度学习模型；
使用Adam优化算法，结合所述训练数据集，对所述深度学习模型进行训练，然后利用所述测试数据集，对训练后的所述深度学习模型进行测试优化，以获得所述缺陷识别模型；
其中，所述管道缺陷样本数据集包括若干张管道缺陷图像、以及各所述管道缺陷图像对应的缺陷类型和缺陷级别。
作为优选方案，基于ResNet-50卷积神经网络所构建得到的深度学习模型，是由49个卷积层Conv和1个全连接层构成，该 49个卷积层分为五组，第一组包括1个卷积层，第二组包含9个卷积层，第三组由12个卷积层组成，第四组有18个卷积层，第五组包含9个卷积层；其中，深度学习模型中卷积层的尺寸有3个类型，分别为7X7、3X3、1X1；其中，第三组、第四组、第五组中第一个卷积层的步长为2，用于降低输入数据的空间尺寸。
作为优选方案，所述对所述深度学习模型进行训练的步骤中，包括：
将训练数据集中每一张的管道缺陷图像进行识别，提取所述管道缺陷图像对应的缺陷类型和缺陷级别；
对所述管道缺陷图像的高亮处进行识别，并根据各个所述管道缺陷图像所对应的缺陷类型和缺陷级别对不同的高亮处进行分类标注；
将标注后的管道缺陷图像输入到深度学习模型中进行预训练，通过Adam优化算法对预训练结果进行判断，如果预训练输出的结果与标注的结果不一致时，对标注的类型进行调整；
当预训练输出的结果成功率达90%以上时，训练结束。
实施本发明实施例的优选方案，基于ResNet-50卷积神经网络，构建深度学习模型，并利用包括多张管道缺陷图像、以及各管道缺陷图像对应的缺陷类型和缺陷级别的管道缺陷样本数据集，对深度学习模型依次进行训练和测试优化，以获得缺陷识别模型，从而增强缺陷识别模型的特征提取和复用能力，减少缺陷识别过程的计算量，提升缺陷识别模型对管道缺陷的识别精度和识别效率。
作为优选方案，所述的一种地下排水管道缺陷识别管理方法，还包括：
将所述缺陷坐标信息转换为对应的管道缺陷空间数据，并将所述管道缺陷空间数据导入至预搭建的管道网系统；
通过所述管道网系统，在地图上实时展示出现管道缺陷现象的各待测地下排水管道的管道缺陷空间分布情况。
作为优选方案，所述将所述缺陷坐标信息转换为对应的管道缺陷空间数据的步骤中，包括：获取缺陷坐标信息的二维数据，计算两个相邻缺陷之间的绝对距离；对计算得到的绝对距离进行判断，当所述绝对距离的值小于预设值时，对所述缺陷坐标信息的横坐标系数进行扩大第一阈值倍数，对所述缺陷坐标信息的纵坐标系数进行缩小第二阈值倍数；根据调整后的坐标数据对缺陷坐标信息转换为对应的管道缺陷空间数据。
实施本发明实施例的优选方案，将缺陷坐标信息转换为对应的管道缺陷空间数据，实现管道缺陷数据的空间化，并将管道缺陷空间数据导入至预搭建的管道网系统，从而能够在地图上实时查看区域范围内地下排水管道的缺陷分布情况，以供工作人员实时且直观地确定排水管网设施健康状况。
作为优选方案，所述的一种地下排水管道缺陷识别管理方法，还包括：
当接收到管道缺陷修复信号时，实时获取各所述待测地下排水管道对应的管道修复信息，并将所述管道修复信息上传至所述管道健康档案数据库；
根据所述管道修复信息，对所述管道健康档案数据库中各所述待测地下排水管道的所述数字档案进行更新。
实施本发明实施例的优选方案，当接收到管道缺陷修复信号时，利用管道修复信息，实时更新管道健康档案数据库中各待测地下排水管道的数字档案，从而实现地下排水管道健康状态的动态更新，为管理者提供准确且实时的管道信息，以便管理者对地下排水管道进行及时维护与管理。
作为优选方案，所述管道图像的获取，具体为：
对各所述待测地下排水管道进行CCTV检测，以获得各所述待测地下排水管道对应的CCTV视频；
按照预设的时间间隔，对所有所述CCTV视频进行分帧处理，以获得各所述待测地下排水管道对应的多张所述管道图像。
实施本发明实施例的优选方案，从深度检测得到的CCTV视频截取多张管道图像，作为模型的输入，以便缺陷识别模型识别当前各待测地下排水管道的管道情况。
为了解决相同的技术问题，本发明实施例还提供了一种地下排水管道缺陷识别管理装置，包括：
缺陷识别模块，用于将各待测地下排水管道对应的多张管道图像输入至缺陷识别模型，以获得各所述待测地下排水管道对应的管道缺陷信息；其中，所述管道缺陷信息包括缺陷类型、缺陷级别和缺陷坐标信息；
状态更新模块，用于根据所述管道缺陷信息和所述管道图像，生成所述待测地下排水管道对应的管道缺陷报告，并根据所述管道缺陷报告，在预设的管道健康档案数据库中建立或更新各所述待测地下排水管道对应的数字档案；其中，所述数字档案包含所述管道图像和所述管道缺陷信息；
管道管理模块，用于通过所述管道健康档案数据库，实时查询并显示待查询地下排水管道对应的所述数字档案，以作为所述待查询地下排水管道的管理依据。
作为优选方案，所述的一种地下排水管道缺陷识别管理装置，还包括：
模型构建模块，用于获取管道缺陷样本数据集，并将所述管道缺陷样本数据集分为训练数据集和测试数据集；基于ResNet-50卷积神经网络，构建深度学习模型；使用Adam优化算法，结合所述训练数据集，对所述深度学习模型进行训练，然后利用所述测试数据集，对训练后的所述深度学习模型进行测试优化，以获得所述缺陷识别模型；其中，所述管道缺陷样本数据集包括若干张管道缺陷图像、以及各所述管道缺陷图像对应的缺陷类型和缺陷级别。
作为优选方案，所述的一种地下排水管道缺陷识别管理装置，基于ResNet-50卷积神经网络所构建得到的深度学习模型，是由49个卷积层Conv和1个全连接层构成，该 49个卷积层分为五组，第一组包括1个卷积层，第二组包含9个卷积层，第三组由12个卷积层组成，第四组有18个卷积层，第五组包含9个卷积层；其中，深度学习模型中卷积层的尺寸有3个类型，分别为7X7、3X3、1X1；其中，第三组、第四组、第五组中第一个卷积层的步长为2，用于降低输入数据的空间尺寸。
作为优选方案，所述模型构建模块用于对所述深度学习模型进行训练的步骤中，包括：
将训练数据集中每一张的管道缺陷图像进行识别，提取所述管道缺陷图像对应的缺陷类型和缺陷级别；
对所述管道缺陷图像的高亮处进行识别，并根据各个所述管道缺陷图像所对应的缺陷类型和缺陷级别对不同的高亮处进行分类标注；
将标注后的管道缺陷图像输入到深度学习模型中进行预训练，通过Adam优化算法对预训练结果进行判断，如果预训练输出的结果与标注的结果不一致时，对标注的类型进行调整；
当预训练输出的结果成功率达90%以上时，训练结束。
作为优选方案，所述的一种地下排水管道缺陷识别管理装置，还包括：
缺陷定位模块，用于将所述缺陷坐标信息转换为对应的管道缺陷空间数据，并将所述管道缺陷空间数据导入至预搭建的管道网系统；通过所述管道网系统，在地图上实时展示出现管道缺陷现象的各待测地下排水管道的管道缺陷空间分布情况。
作为优选方案，所述缺陷定位模块用于将所述缺陷坐标信息转换为对应的管道缺陷空间数据的步骤中，包括：获取缺陷坐标信息的二维数据，计算两个相邻缺陷之间的绝对距离；对计算得到的绝对距离进行判断，当所述绝对距离的值小于预设值时，对所述缺陷坐标信息的横坐标系数进行扩大第一阈值倍数，对所述缺陷坐标信息的纵坐标系数进行缩小第二阈值倍数；根据调整后的坐标数据对缺陷坐标信息转换为对应的管道缺陷空间数据。
作为优选方案，所述的一种地下排水管道缺陷识别管理装置，还包括：
修复更新模块，用于当接收到管道缺陷修复信号时，实时获取各所述待测地下排水管道对应的管道修复信息，并将所述管道修复信息上传至所述管道健康档案数据库；根据所述管道修复信息，对所述管道健康档案数据库中各所述待测地下排水管道的所述数字档案进行更新。
作为优选方案，所述的一种地下排水管道缺陷识别管理装置，还包括：
数据获取模块，用于对各所述待测地下排水管道进行CCTV检测，以获得各所述待测地下排水管道对应的CCTV视频；按照预设的时间间隔，对所有所述CCTV视频进行分帧处理，以获得各所述待测地下排水管道对应的多张所述管道图像。
附图说明
图1：为本发明实施例一提供的一种地下排水管道缺陷识别管理方法的流程示意图；
图2：为本发明实施例一提供的基于ResNet-50卷积神经网络所构建得到的深度学习模型的框架示意图；
图3：为本发明实施例一提供的残差单元的框架示意图；
图4：为本发明实施例一提供的一种地下排水管道缺陷识别管理装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一:
请参照图1，为本发明实施例提供的一种地下排水管道缺陷识别管理方法，该方法包括步骤S1至步骤S3，各步骤具体如下：
步骤S1，将各待测地下排水管道对应的多张管道图像输入至缺陷识别模型，以获得各待测地下排水管道对应的管道缺陷信息；其中，管道缺陷信息包括缺陷类型、缺陷级别和缺陷坐标信息。
在本实施例中，管道的缺陷类型分为结构性缺陷和功能性缺陷。其中，结构性缺陷是指管道结构受到损伤，从而影响管道的结构、刚度和使用寿命的缺陷，主要有破裂、变形、错口、脱节、渗漏、腐蚀、胶圈脱落、支管暗接、管线侵入等缺陷。而功能性缺陷是指管道过水断面发生变化，影响排水功能的缺陷，主要有沉积、结垢、障碍物、树根、洼水、坝头、浮渣等缺陷。
作为优选方案，在执行步骤S1之前，本发明实施例提供的一种地下排水管道缺陷识别管理方法，还包括管道图像的获取流程和缺陷识别模型的构建流程，其中，管道图像的获取流程包括步骤S01至步骤S02，缺陷识别模型的构建流程包括步骤S03至步骤S05，值得说明的是，管道图像的获取流程和缺陷识别模型的构建流程的先后顺序并不一定限定于此，可以调换两个流程的顺序，或者同时进行，此处并不做具体限定，视其具体应用环境而定，各步骤具体如下：
步骤S01，对各待测地下排水管道进行CCTV检测，以获得各待测地下排水管道对应的CCTV视频。
需要说明的是，CCTV检测（Closed Circuit Television Inspection），即采用闭路电视系统进行管道检测的方法。
步骤S02，按照预设的时间间隔，对所有CCTV视频进行分帧处理，以获得各待测地下排水管道对应的多张管道图像。
步骤S03，按照不同的缺陷类型和缺陷级别，获取管道缺陷样本数据集，并将管道缺陷样本数据集分为训练数据集和测试数据集；其中，管道缺陷样本数据集包括若干张管道缺陷图像、以及各管道缺陷图像对应的缺陷类型和缺陷级别。
步骤S04，基于ResNet-50卷积神经网络，构建深度学习模型。
在本实施例中，请参照图2，基于ResNet-50卷积神经网络所构建得到的深度学习模型，是由49个卷积层Conv和1个全连接层（Fully connected layer，Fcl）构成，这49个卷积层分为五组，第一组包括1个卷积层，第二组包含9个卷积层，第三组由12个卷积层组成，第四组有18个卷积层，第五组同样包含9个卷积层。其中，深度学习模型中卷积层的尺寸有3个类型，分别为7X7、3X3、1X1。第三组、第四组、第五组中第一个卷积层的步长（stride）为2，用于降低输入数据的空间尺寸。卷积层的特点是局部感知域，权值共享和多核卷积。卷积过程是多个卷积核在待征图上从左到右，从上到下，以固定步长移动并进行滑动点积。简单来说，就是对于每个像素，计算它的领域像素和卷积核矩阵的对应位置元素的乘积，然后累加得到该像素位置的输出值。而全连接层包括平均池化（Average_pool）和全连接（fc），其中，平均池化是指将输入数据按窗口大小划分为重叠区域，然后对每个区域的元素进行取平均值聚合，使待征提取具有平移不变性。卷积和池化组合在一起，强调待征图局部的连续性和相关性，加强了神经网络的待征提取能力，而全连接（fc）则是充当分类器的作用，按照卷积层和平均池化（Average_pool）输出的抽象待征进行分类。
需要说明的是，深度学习模型中的第二组、第三组、第四组和第五组分别由多个残差单元堆叠而成，请参照图3，残差单元主要包含恒等映射、批处理归一化层、非线性激活函数relu和卷积层。其中，恒等映射能够增强上下层信息流，提高待征的复用率，减少参数的数量，有效的提高了网络的性能，而残差单元中卷积层的尺寸有2个类型，分别为3X3、1X1。
步骤S05，对深度学习模型的所有卷积层进行初始化，对最后一个全连接层进行随机初始化，并将学习率设置为0.001，将迭代次数设置为10万次，然后使用Adam优化算法，结合训练数据集，对深度学习模型进行训练。然后，利用训练后的深度学习模型，分别对测试数据集中的多张管道缺陷图像进行缺陷识别，并根据识别结果进一步优化训练后的深度学习模型，以获得缺陷识别模型。
进一步地，所述对所述深度学习模型进行训练的步骤中，包括：将训练数据集中每一张的管道缺陷图像进行识别，提取所述管道缺陷图像对应的缺陷类型和缺陷级别；对所述管道缺陷图像的高亮处进行识别，并根据各个所述管道缺陷图像所对应的缺陷类型和缺陷级别对不同的高亮处进行分类标注；将标注后的管道缺陷图像输入到深度学习模型中进行预训练，通过Adam优化算法对预训练结果进行判断，如果预训练输出的结果与标注的结果不一致时，对标注的类型进行调整；当预训练输出的结果成功率达90%以上时，训练结束。通过上述具体的执行过程，可以使得模型训练的准确度更高。
步骤S2，以管道缺陷信息作为管道图像的缺陷描述信息，并根据管道缺陷信息和管道图像，生成待测地下排水管道对应的管道缺陷报告，然后根据管道缺陷报告，在预设的管道健康档案数据库中建立或更新各待测地下排水管道对应的数字档案；其中，数字档案包括管道图像和管道缺陷信息。
在本实施例中，当检测到管道健康档案数据库中不存在当前待测地下排水管道对应的数字档案时，在管道健康档案数据库中建立当前待测地下排水管道对应的数字档案，然后将当前待测地下排水管道对应的管道缺陷报告导入至对应的数字档案中。同时，以当前待测地下排水管道的起始点编号和终止点编号为唯一管道编码，方便后续对管道的健康情况进行更新。
步骤S3，通过管道健康档案数据库，实时查询并显示待查询地下排水管道对应的数字档案，以作为待查询地下排水管道的管理依据。
作为优选方案，本发明实施例提供的一种地下排水管道缺陷识别管理方法，还包括步骤S4至步骤S5，值得说明的是，步骤S4至步骤S5的先后顺序并不一定限定于此，可以调换顺序，或者同时进行，此处并不做具体限定，视其具体应用环境而定，各步骤具体如下：
步骤S4，将缺陷坐标信息转换为对应的管道缺陷空间数据，并将管道缺陷空间数据导入至预搭建的管道网系统；通过管道网系统，在地图上实时展示出现管道缺陷现象的各待测地下排水管道的管道缺陷空间分布情况。
具体地，所述将所述缺陷坐标信息转换为对应的管道缺陷空间数据的步骤中，包括：获取缺陷坐标信息的二维数据，计算两个相邻缺陷之间的绝对距离；对计算得到的绝对距离进行判断，当所述绝对距离的值小于预设值时，对所述缺陷坐标信息的横坐标系数进行扩大第一阈值倍数，对所述缺陷坐标信息的纵坐标系数进行缩小第二阈值倍数；根据调整后的坐标数据对缺陷坐标信息转换为对应的管道缺陷空间数据。通过对相邻两个缺陷的绝对距离值的计算，一旦计算出绝对距离值小于预设值时，该相邻的缺陷由于距离过小，在空间转换过程中会出现重叠，所以对其横坐标和纵坐标进行调整，可以得到更清晰准确的空间展示效果。
在本实施例中，还能够将各待测地下排水管道的管道缺陷信息、管道图像和CCTV视频都导入至管道网系统，以便管理者浏览管道缺陷空间分布情况和查看管道检测信息、判读信息，缺陷图和原始检测视频。
步骤S5，当接收到管道缺陷修复信号时，实时获取各待测地下排水管道对应的管道修复信息，并将管道修复信息上传至管道健康档案数据库；根据管道修复信息，对管道健康档案数据库中各待测地下排水管道的数字档案进行更新。
在本实施例中，在进行数字档案的更新之前，将原档案信息变更为历史档案进行存储，然后再根据管道修复信息，对管道健康档案数据库中各待测地下排水管道的数字档案进行更新。
请参照图4，为本发明实施例提供的一种地下排水管道缺陷识别管理装置的结构示意图，该装置包括缺陷识别模块M1、状态更新模块M2和管道管理模块M3，各模块具体如下：
缺陷识别模块M1，用于将各待测地下排水管道对应的多张管道图像输入至缺陷识别模型，以获得各待测地下排水管道对应的管道缺陷信息；其中，管道缺陷信息包括缺陷类型、缺陷级别和缺陷坐标信息；
状态更新模块M2，用于根据管道缺陷信息和管道图像，生成待测地下排水管道对应的管道缺陷报告，并根据管道缺陷报告，在预设的管道健康档案数据库中建立或更新各待测地下排水管道对应的数字档案；其中，数字档案包含管道图像和管道缺陷信息；
管道管理模块M3，用于通过管道健康档案数据库，实时查询并显示待查询地下排水管道对应的数字档案，以作为待查询地下排水管道的管理依据。
请参照图4，本发明实施例提供的一种地下排水管道缺陷识别管理装置，还包括模型构建模块M4，各模块具体如下：
模型构建模块M4，用于获取管道缺陷样本数据集，并将管道缺陷样本数据集分为训练数据集和测试数据集；基于ResNet-50卷积神经网络，构建深度学习模型；使用Adam优化算法，结合训练数据集，对深度学习模型进行训练，然后利用测试数据集，对训练后的深度学习模型进行测试优化，以获得缺陷识别模型；其中，管道缺陷样本数据集包括若干张管道缺陷图像、以及各管道缺陷图像对应的缺陷类型和缺陷级别。
所述模型构建模块用于对所述深度学习模型进行训练的步骤中，包括：将训练数据集中每一张的管道缺陷图像进行识别，提取所述管道缺陷图像对应的缺陷类型和缺陷级别；对所述管道缺陷图像的高亮处进行识别，并根据各个所述管道缺陷图像所对应的缺陷类型和缺陷级别对不同的高亮处进行分类标注；将标注后的管道缺陷图像输入到深度学习模型中进行预训练，通过Adam优化算法对预训练结果进行判断，如果预训练输出的结果与标注的结果不一致时，对标注的类型进行调整；当预训练输出的结果成功率达90%以上时，训练结束。
作为优选方案，请参照图4，本发明实施例提供的一种地下排水管道缺陷识别管理装置，还包括缺陷定位模块M5，各模块具体如下：
缺陷定位模块M5，用于将缺陷坐标信息转换为对应的管道缺陷空间数据，并将管道缺陷空间数据导入至预搭建的管道网系统；通过管道网系统，在地图上实时展示出现管道缺陷现象的各待测地下排水管道的管道缺陷空间分布情况。
所述缺陷定位模块用于将所述缺陷坐标信息转换为对应的管道缺陷空间数据的步骤中，包括：获取缺陷坐标信息的二维数据，计算两个相邻缺陷之间的绝对距离；对计算得到的绝对距离进行判断，当所述绝对距离的值小于预设值时，对所述缺陷坐标信息的横坐标系数进行扩大第一阈值倍数，对所述缺陷坐标信息的纵坐标系数进行缩小第二阈值倍数；根据调整后的坐标数据对缺陷坐标信息转换为对应的管道缺陷空间数据。
请参照图4，本发明实施例提供的一种地下排水管道缺陷识别管理装置，还包括修复更新模块M6，各模块具体如下：
修复更新模块M6，用于当接收到管道缺陷修复信号时，实时获取各待测地下排水管道对应的管道修复信息，并将管道修复信息上传至管道健康档案数据库；根据管道修复信息，对管道健康档案数据库中各待测地下排水管道的数字档案进行更新。
请参照图4，本发明实施例提供的一种地下排水管道缺陷识别管理装置，还包括数据获取模块M7，各模块具体如下：
数据获取模块M7，用于对各待测地下排水管道进行CCTV检测，以获得各待测地下排水管道对应的CCTV视频；按照预设的时间间隔，对所有CCTV视频进行分帧处理，以获得各待测地下排水管道对应的多张管道图像。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
相比于现有技术，本发明实施例具有如下有益效果：
本发明提出一种地下排水管道缺陷识别管理方法和装置，利用缺陷识别模型对管道图像进行缺陷识别，并根据识别得到的管道缺陷信息所对应的管道缺陷报告，然后在预设的管道健康档案数据库中建立或更新各个待测地下排水管道对应的数字档案，实现各待测地下排水管道对应的管道缺陷信息的数字化及存档管理，以便管理者快速查询到准确且实时的缺陷类型、缺陷级别、缺陷坐标信息和管道图像等管道信息，并依据查询到的信息作出相应的管理决策，从而提升地下排水管道的管理效率。
进一步地，基于卷积神经网络构建并训练得到缺陷识别模型，并通过缺陷识别模型对分帧图像中的管道缺陷进行识别，减少缺陷识别过程的计算量，并增强模型的特征提取和复用能力，从而提升缺陷识别模型对管道缺陷的识别精度和识别效率。此外，还将缺陷坐标信息转换得到的管道缺陷空间数据导入至预搭建的管道网系统，实现管道缺陷数据的空间化，基于此，工作人员或者管理者能够在地图上实时查看区域范围内地下排水管道的缺陷分布情况，并确定排水管网设施健康状况，从而保障对地下排水管道的及时维护与管理。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种地下排水管道缺陷识别管理方法，其特征在于，包括：
将各待测地下排水管道对应的多张管道图像输入至缺陷识别模型，以获得各所述待测地下排水管道对应的管道缺陷信息；
根据所述管道缺陷信息和所述管道图像，生成所述待测地下排水管道对应的管道缺陷报告，并根据所述管道缺陷报告，在预设的管道健康档案数据库中建立或更新各所述待测地下排水管道对应的数字档案；
通过所述管道健康档案数据库，实时查询并显示待查询地下排水管道对应的所述数字档案，以作为所述待查询地下排水管道的管理依据；
其中，所述管道缺陷信息包括缺陷类型、缺陷级别和缺陷坐标信息，所述数字档案包含所述管道图像和所述管道缺陷信息。
2.如权利要求1所述的一种地下排水管道缺陷识别管理方法，其特征在于，所述缺陷识别模型的获取，具体为：
获取管道缺陷样本数据集，并将所述管道缺陷样本数据集分为训练数据集和测试数据集；
基于ResNet-50卷积神经网络，构建深度学习模型；
使用Adam优化算法，结合所述训练数据集，对所述深度学习模型进行训练，然后利用所述测试数据集，对训练后的所述深度学习模型进行测试优化，以获得所述缺陷识别模型；
其中，所述管道缺陷样本数据集包括若干张管道缺陷图像、以及各所述管道缺陷图像对应的缺陷类型和缺陷级别。
3.如权利要求2所述的一种地下排水管道缺陷识别管理方法，其特征在于，所述对所述深度学习模型进行训练的步骤中，包括：
将训练数据集中每一张的管道缺陷图像进行识别，提取所述管道缺陷图像对应的缺陷类型和缺陷级别；
对所述管道缺陷图像的高亮处进行识别，并根据各个所述管道缺陷图像所对应的缺陷类型和缺陷级别对不同的高亮处进行分类标注；
将标注后的管道缺陷图像输入到深度学习模型中进行预训练，通过Adam优化算法对预训练结果进行判断，如果预训练输出的结果与标注的结果不一致时，对标注的类型进行调整；
当预训练输出的结果成功率达90%以上时，训练结束。
4.如权利要求1所述的一种地下排水管道缺陷识别管理方法，其特征在于，还包括：
将所述缺陷坐标信息转换为对应的管道缺陷空间数据，并将所述管道缺陷空间数据导入至预搭建的管道网系统；
通过所述管道网系统，在地图上实时展示出现管道缺陷现象的各待测地下排水管道的管道缺陷空间分布情况。
5.如权利要求4所述的一种地下排水管道缺陷识别管理方法，其特征在于，所述将所述缺陷坐标信息转换为对应的管道缺陷空间数据的步骤中，包括：
获取缺陷坐标信息的二维数据，计算两个相邻缺陷之间的绝对距离；
对计算得到的绝对距离进行判断，当所述绝对距离的值小于预设值时，对所述缺陷坐标信息的横坐标系数进行扩大第一阈值倍数，对所述缺陷坐标信息的纵坐标系数进行缩小第二阈值倍数；
根据调整后的坐标数据对缺陷坐标信息转换为对应的管道缺陷空间数据。
6.如权利要求1所述的一种地下排水管道缺陷识别管理方法，其特征在于，还包括：
当接收到管道缺陷修复信号时，实时获取各所述待测地下排水管道对应的管道修复信息，并将所述管道修复信息上传至所述管道健康档案数据库；
根据所述管道修复信息，对所述管道健康档案数据库中各所述待测地下排水管道的所述数字档案进行更新。
7.如权利要求1所述的一种地下排水管道缺陷识别管理方法，其特征在于，所述管道图像的获取，具体为：
对各所述待测地下排水管道进行CCTV检测，以获得各所述待测地下排水管道对应的CCTV视频；
按照预设的时间间隔，对所有所述CCTV视频进行分帧处理，以获得各所述待测地下排水管道对应的多张所述管道图像。
8.一种地下排水管道缺陷识别管理装置，其特征在于，包括：
缺陷识别模块，用于将各待测地下排水管道对应的多张管道图像输入至缺陷识别模型，以获得各所述待测地下排水管道对应的管道缺陷信息；其中，所述管道缺陷信息包括缺陷类型、缺陷级别和缺陷坐标信息；
状态更新模块，用于根据所述管道缺陷信息和所述管道图像，生成所述待测地下排水管道对应的管道缺陷报告，并根据所述管道缺陷报告，在预设的管道健康档案数据库中建立或更新各所述待测地下排水管道对应的数字档案；其中，所述数字档案包含所述管道图像和所述管道缺陷信息；
管道管理模块，用于通过所述管道健康档案数据库，实时查询并显示待查询地下排水管道对应的所述数字档案，以作为所述待查询地下排水管道的管理依据。
9.如权利要求8所述的一种地下排水管道缺陷识别管理装置，其特征在于，还包括：
模型构建模块，用于获取管道缺陷样本数据集，并将所述管道缺陷样本数据集分为训练数据集和测试数据集；基于ResNet-50卷积神经网络，构建深度学习模型；使用Adam优化算法，结合所述训练数据集，对所述深度学习模型进行训练，然后利用所述测试数据集，对训练后的所述深度学习模型进行测试优化，以获得所述缺陷识别模型；其中，所述管道缺陷样本数据集包括若干张管道缺陷图像、以及各所述管道缺陷图像对应的缺陷类型和缺陷级别。
10.如权利要求8所述的一种地下排水管道缺陷识别管理装置，其特征在于，还包括：
缺陷定位模块，用于将所述缺陷坐标信息转换为对应的管道缺陷空间数据，并将所述管道缺陷空间数据导入至预搭建的管道网系统；通过所述管道网系统，在地图上实时展示出现管道缺陷现象的各待测地下排水管道的管道缺陷空间分布情况。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211449011.9A CN115761584B (zh) | 2022-11-18 | 2022-11-18 | 一种地下排水管道缺陷识别管理方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211449011.9A CN115761584B (zh) | 2022-11-18 | 2022-11-18 | 一种地下排水管道缺陷识别管理方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115761584A true CN115761584A (zh) | 2023-03-07 |
| CN115761584B CN115761584B (zh) | 2024-05-14 |
Family
ID=85373685
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211449011.9A Active CN115761584B (zh) | 2022-11-18 | 2022-11-18 | 一种地下排水管道缺陷识别管理方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115761584B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008152914A (ja) * | 2008-01-18 | 2008-07-03 | Toshiba Corp | 情報記憶媒体、情報記録方法及び装置、情報再生方法及び装置 |
| CN103063684A (zh) * | 2012-12-20 | 2013-04-24 | 西安石油大学 | 一种管道内壁全景图显示与缺陷定位方法 |
| US20160146971A1 (en) * | 2014-11-25 | 2016-05-26 | Cylo Technologies Incorporated | System and method for pipeline management |
| CN110598767A (zh) * | 2019-08-29 | 2019-12-20 | 河南省收费还贷高速公路管理有限公司航空港分公司 | 一种基于ssd卷积神经网络的地下排水管道缺陷识别方法 |
| CN112232218A (zh) * | 2020-10-19 | 2021-01-15 | 北京许继电气有限公司 | 智慧线路杆塔缺陷数据处理系统 |
| CN112381165A (zh) * | 2020-11-20 | 2021-02-19 | 河南爱比特科技有限公司 | 一种基于rsp模型的管道缺陷智能检测方法 |
| CN112836953A (zh) * | 2021-01-27 | 2021-05-25 | 中国市政工程华北设计研究总院有限公司 | 一种排水管网检测数据可视化管理系统 |
| CN113221710A (zh) * | 2021-04-30 | 2021-08-06 | 深圳市水务工程检测有限公司 | 基于神经网络的排水管道缺陷识别方法、装置、设备及介质 |
| US20210319265A1 (en) * | 2020-11-02 | 2021-10-14 | Zhengzhou University | Method for segmentation of underground drainage pipeline defects based on full convolutional neural network |
| CN114782342A (zh) * | 2022-04-12 | 2022-07-22 | 北京瓦特曼智能科技有限公司 | 城市硬件设施缺陷的检测方法及装置 |
| CN115077405A (zh) * | 2022-03-25 | 2022-09-20 | 上海洛丁森工业自动化设备有限公司 | 管道检测系统及方法 |
| CN115168448A (zh) * | 2022-07-05 | 2022-10-11 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种基于gis的排水管网问题诊断装置和方法 |
-
2022
- 2022-11-18 CN CN202211449011.9A patent/CN115761584B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008152914A (ja) * | 2008-01-18 | 2008-07-03 | Toshiba Corp | 情報記憶媒体、情報記録方法及び装置、情報再生方法及び装置 |
| CN103063684A (zh) * | 2012-12-20 | 2013-04-24 | 西安石油大学 | 一种管道内壁全景图显示与缺陷定位方法 |
| US20160146971A1 (en) * | 2014-11-25 | 2016-05-26 | Cylo Technologies Incorporated | System and method for pipeline management |
| CN110598767A (zh) * | 2019-08-29 | 2019-12-20 | 河南省收费还贷高速公路管理有限公司航空港分公司 | 一种基于ssd卷积神经网络的地下排水管道缺陷识别方法 |
| CN112232218A (zh) * | 2020-10-19 | 2021-01-15 | 北京许继电气有限公司 | 智慧线路杆塔缺陷数据处理系统 |
| US20210319265A1 (en) * | 2020-11-02 | 2021-10-14 | Zhengzhou University | Method for segmentation of underground drainage pipeline defects based on full convolutional neural network |
| CN112381165A (zh) * | 2020-11-20 | 2021-02-19 | 河南爱比特科技有限公司 | 一种基于rsp模型的管道缺陷智能检测方法 |
| CN112836953A (zh) * | 2021-01-27 | 2021-05-25 | 中国市政工程华北设计研究总院有限公司 | 一种排水管网检测数据可视化管理系统 |
| CN113221710A (zh) * | 2021-04-30 | 2021-08-06 | 深圳市水务工程检测有限公司 | 基于神经网络的排水管道缺陷识别方法、装置、设备及介质 |
| CN115077405A (zh) * | 2022-03-25 | 2022-09-20 | 上海洛丁森工业自动化设备有限公司 | 管道检测系统及方法 |
| CN114782342A (zh) * | 2022-04-12 | 2022-07-22 | 北京瓦特曼智能科技有限公司 | 城市硬件设施缺陷的检测方法及装置 |
| CN115168448A (zh) * | 2022-07-05 | 2022-10-11 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种基于gis的排水管网问题诊断装置和方法 |
Non-Patent Citations (2)
| Title |
|---|
| 王大成 等: "排水管道闭路电视视频智能检测技术的现状与挑战", 《工程勘察》, vol. 50, no. 3, 1 March 2022 (2022-03-01) * |
| 袁泽辉;郭慧;周邵萍;: "基于卷积神经网络的管道表面缺陷识别研究", 现代电子技术, no. 17, 1 September 2020 (2020-09-01) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115761584B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Park et al. | Patch-based crack detection in black box images using convolutional neural networks | |
| Sony et al. | A systematic review of convolutional neural network-based structural condition assessment techniques | |
| Tan et al. | Automatic detection of sewer defects based on improved you only look once algorithm | |
| CN109858367B (zh) | 工人通过支撑不安全行为的视觉自动化检测方法及系统 | |
| CN111080620A (zh) | 一种基于深度学习的道路病害检测方法 | |
| CN112200143A (zh) | 一种基于候选区域网络和机器视觉的道路病害检测方法 | |
| KR20230137788A (ko) | 셀프 어텐션 메커니즘 기반 다양한 유형의 배관 결함에 대한 검사, 추적 및 계수방법 | |
| CN111767874B (zh) | 一种基于深度学习的路面病害检测方法 | |
| CN113065486A (zh) | 适用于河道的漂浮物识别方法与系统、设备、介质 | |
| CN113313031B (zh) | 一种基于深度学习的车道线检测和车辆横向定位方法 | |
| CN115497015A (zh) | 一种基于卷积神经网络的河流漂浮污染物识别方法 | |
| CN113763363A (zh) | 一种排水管道破裂缺陷检测及等级评定方法 | |
| CN116597270A (zh) | 基于注意力机制集成学习网络的道路损毁目标检测方法 | |
| CN113962951B (zh) | 检测分割模型的训练方法及装置、目标检测方法及装置 | |
| CN116452850A (zh) | 一种基于数据挖掘和深度学习的道路积水区域识别方法 | |
| CN111524121A (zh) | 一种基于机器视觉技术的路桥病害自动检测方法 | |
| CN110766045A (zh) | 一种地下排水管道病害识别方法、智能终端及存储介质 | |
| CN114067103A (zh) | 一种基于YOLOv3的管道第三方破坏智能识别方法 | |
| CN112669269A (zh) | 一种基于图像识别的管道缺陷分类分级方法及系统 | |
| CN115761584B (zh) | 一种地下排水管道缺陷识别管理方法和装置 | |
| CN117078925A (zh) | 一种基于RDSA-DeepLabV3+网络的建筑垃圾年产量精算方法 | |
| CN110942026A (zh) | 基于深度学习的胶囊机器人排水管病害检测方法及系统 | |
| CN115984603A (zh) | 基于gf-2与开放地图数据的城市绿地精细化分类方法与系统 | |
| CN115424141A (zh) | 一种光伏装机容量计算方法、装置、电子设备和介质 | |
| Khalifa et al. | A new image model for predicting cracks in sewer pipes based on time |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |